本文主要介绍边缘计算的技术与应用，包括边缘计算基础概念、边缘设备部署、边缘应用开发、边缘计算平台和安全防护。通过本文的学习，您将能够掌握边缘计算的核心知识点和应用技巧。
风哥教程参考官方文档相关内容进行编写，确保信息的准确性和权威性。
目录大纲
Part01-基础概念与理论知识
Part02-生产环境规划与建议
Part03-生产环境项目实施方案
Part04-生产案例与实战讲解
Part05-风哥经验总结与分享
边缘计算基础概念
边缘计算是指将计算、存储和网络资源部署在靠近数据源的边缘位置，以减少延迟、提高响应速度、降低带宽使用和增强数据隐私。边缘计算的核心目标包括：
- 低延迟：减少数据传输时间
- 高带宽：减少网络带宽使用
- 数据隐私：敏感数据在本地处理
- 可靠性：即使在网络中断时也能正常运行
- 可扩展性：支持大量边缘设备
更多视频教程www.fgedu.net.cn
边缘计算架构
边缘计算的架构通常包括以下层次：
- 设备层：边缘设备，如传感器、摄像头、IoT设备等
- 边缘层：边缘服务器、边缘网关等
- 云层：云平台，提供远程管理和分析
- 应用层：边缘应用和服务
边缘计算技术栈
边缘计算的技术栈包括：
- 边缘操作系统：如EdgeOS、Ubuntu Core等
- 容器技术：如Docker、K3s等
- 边缘编排：如Kubernetes、K3s等
- 边缘AI：如TensorFlow Lite、PyTorch Mobile等
- 边缘安全：如边缘防火墙、加密技术等
学习交流加群风哥微信: itpux-com
环境规划
在部署边缘计算环境前，需要进行详细的环境规划：
硬件规划
- 边缘设备：根据应用需求选择合适的设备
- 边缘服务器：提供边缘计算能力
- 网络设备：确保边缘设备与边缘服务器的连接
- 电源设备：确保边缘设备的供电
软件规划
- 边缘操作系统：选择适合边缘设备的操作系统
- 容器技术：选择轻量级容器技术
- 边缘平台：选择适合的边缘计算平台
- 应用框架：选择适合边缘应用的开发框架
最佳实践
边缘计算的最佳实践包括：
- 合理选择边缘设备：根据应用需求选择合适的设备
- 优化边缘应用：减少资源使用，提高性能
- 实施边缘安全：保护边缘设备和数据
- 建立边缘管理系统：集中管理边缘设备
- 制定边缘数据策略：合理处理和传输数据
- 定期更新边缘设备：确保安全性和性能
学习交流加群风哥QQ113257174
性能优化
边缘计算性能优化的关键措施：
- 资源优化：合理分配CPU、内存和存储资源
- 代码优化：优化应用代码，减少资源使用
- 网络优化：减少网络延迟和带宽使用
- 数据优化：压缩数据，减少传输量
- 缓存策略：合理使用缓存，减少数据传输
- 负载均衡：分发负载到多个边缘设备
边缘设备部署
边缘设备的部署步骤如下：
1. 选择边缘设备
# 常见边缘设备
# 1. 树莓派（Raspberry Pi）：适合小型边缘应用
# 2. NVIDIA Jetson：适合AI边缘应用
# 3. Intel NUC：适合中型边缘应用
# 4. 工业计算机：适合工业边缘应用
# 检查边缘设备
$ lsb_release -a
No LSB modules are available.
Distributor ID: Ubuntu
Description: Ubuntu 20.04.3 LTS
Release: 20.04
Codename: focal
$ uname -a
Linux raspberrypi 5.4.72-v7l+ #1356 SMP Thu Oct 22 13:57:51 BST 2020 armv7l GNU/Linux
$ free -h
total used free shared buff/cache available
Mem: 3.8Gi 1.2Gi 2.1Gi 0.1Gi 488Mi 2.4Gi
Swap: 99Mi 0B 99Mi
$ df -h
Filesystem Size Used Avail Use% Mounted on
devtmpfs 1.8G 0 1.8G 0% /dev
tmpfs 1.9G 8.0K 1.9G 1% /dev/shm
tmpfs 1.9G 185M 1.7G 10% /run
tmpfs 5.0M 4.0K 5.0M 1% /run/lock
tmpfs 1.9G 0 1.9G 0% /sys/fs/cgroup
/dev/mmcblk0p2 29G 5.2G 23G 19% /
/dev/mmcblk0p1 253M 54M 199M 22% /boot
2. 安装边缘操作系统
# 下载Ubuntu Server for Raspberry Pi $ wget https://cdimage.ubuntu.com/releases/20.04/release/ubuntu-20.04.3-preinstalled-server-arm64+raspi.img.xz # 烧录镜像到SD卡 $ sudo dd if=ubuntu-20.04.3-preinstalled-server-arm64+raspi.img of=/dev/sdb bs=4M status=progress # 启动边缘设备 # 1. 将SD卡插入树莓派 # 2. 连接电源和网络 # 3. 启动设备 # 登录边缘设备 $ ssh ubuntu@
3. 部署边缘计算平台
# 安装K3s（轻量级Kubernetes）
$ curl -sfL https://get.k3s.io | sh -
# 查看K3s状态
$ sudo systemctl status k3s
● k3s.service - Lightweight Kubernetes
Loaded: loaded (/etc/systemd/system/k3s.service; enabled; vendor preset: enabled)
Active: active (running) since Sat 2026-04-03 10:00:00 CST; 1min ago
Docs: https://k3s.io
Process: 1234 ExecStartPre=/sbin/modprobe br_netfilter (code=exited, status=0/SUCCESS)
Process: 1235 ExecStartPre=/sbin/modprobe overlay (code=exited, status=0/SUCCESS)
Main PID: 1236 (k3s-server)
Tasks: 6
Memory: 120.0M
CPU: 10.0%
CGroup: /system.slice/k3s.service
└─1236 /usr/local/bin/k3s server
# 查看Kubernetes节点
$ kubectl get nodes
NAME STATUS ROLES AGE VERSION
raspberrypi Ready control-plane,master 5m v1.21.5+k3s2
风哥风哥提示：在生产环境中，建议使用专业的边缘计算平台，如AWS IoT Greengrass、Azure IoT Edge或Google Cloud IoT Edge，以提高系统的可靠性和可管理性。
边缘应用开发
边缘应用的开发步骤如下：
1. 开发边缘应用
# 创建边缘应用
$ mkdir -p edge-app/src
$ cd edge-app
# 创建package.json
$ cat > package.json << 'EOF'
{
"name": "edge-app",
"version": "1.0.0",
"description": "Edge application",
"main": "index.js",
"scripts": {
"start": "node index.js",
"dev": "nodemon index.js"
},
"dependencies": {
"express": "^4.17.1",
"mqtt": "^4.2.8"
},
"devDependencies": {
"nodemon": "^2.0.7"
}
}
EOF
# 创建index.js
$ cat > src/index.js << 'EOF'
const express = require('express');
const mqtt = require('mqtt');
const app = express();
const port = 3000;
// 连接MQTT broker
const client = mqtt.connect('mqtt://broker.hivemq.com');
client.on('connect', () => {
console.log('Connected to MQTT broker');
client.subscribe('edge/sensors');
});
client.on('message', (topic, message) => {
console.log(`Received message: ${message.toString()}`);
// 处理传感器数据
const data = JSON.parse(message.toString());
console.log(`Sensor data: ${data.temperature}°C, ${data.humidity}%`);
});
app.get('/health', (req, res) => {
res.json({ status: 'ok' });
});
app.get('/data', (req, res) => {
res.json({ temperature: 25, humidity: 60 });
});
app.listen(port, () => {
console.log(`Edge app listening at http://fgedudb:${port}`);
});
EOF
# 创建Dockerfile
$ cat > Dockerfile << 'EOF'
FROM node:14-alpine
WORKDIR /app
COPY package*.json ./
RUN npm install
COPY . .
EXPOSE 3000
CMD ["npm", "start"]
EOF
# 构建镜像
$ docker build -t fgedu/edge-app .
2. 部署边缘应用
# 创建Kubernetes部署
$ cat > deployment.yaml << 'EOF'
apiVersion: apps/v1
kind: Deployment
metadata:
name: edge-app
spec:
replicas: 1
selector:
matchLabels:
app: edge-app
template:
metadata:
labels:
app: edge-app
spec:
containers:
- name: edge-app
image: fgedu/edge-app:latest
ports:
- containerPort: 3000
resources:
limits:
cpu: "500m"
memory: "256Mi"
requests:
cpu: "250m"
memory: "128Mi"
EOF
# 创建Service
$ cat > service.yaml << 'EOF'
apiVersion: v1
kind: Service
metadata:
name: edge-app
spec:
selector:
app: edge-app
ports:
- port: 80
targetPort: 3000
type: NodePort
EOF
# 部署应用
$ kubectl apply -f deployment.yaml
$ kubectl apply -f service.yaml
# 查看部署状态
$ kubectl get deployments
NAME READY UP-TO-DATE AVAILABLE AGE
edge-app 1/1 1 1 5m
$ kubectl get services
NAME TYPE CLUSTER-IP EXTERNAL-IP PORT(S) AGE
edge-app NodePort 10.43.123.45 80:30000/TCP 5m
# 测试应用
$ curl -s http://:30000/health
{"status":"ok"}
$ curl -s http://:30000/data
{"temperature":25,"humidity":60}
3. 边缘AI应用开发
# 安装TensorFlow Lite
$ pip install tflite-runtime
# 创建边缘AI应用
$ cat > edge-ai-app.py << 'EOF'
import tflite_runtime.interpreter as tflite
import numpy as np
import cv2
# 加载模型
interpreter = tflite.Interpreter(model_path="model.tflite")
interpreter.allocate_tensors()
# 获取输入和输出张量
input_details = interpreter.get_input_details()
output_details = interpreter.get_output_details()
# 读取图像
img = cv2.imread("image.jpg")
img = cv2.resize(img, (224, 224))
img = img.astype(np.float32) / 255.0
img = np.expand_dims(img, axis=0)
# 运行推理
interpreter.set_tensor(input_details[0]['index'], img)
interpreter.invoke()
output = interpreter.get_tensor(output_details[0]['index'])
# 处理输出
print(f"Prediction: {np.argmax(output)}")
EOF
# 运行边缘AI应用
$ python edge-ai-app.py
Prediction: 3
更多学习教程公众号风哥教程itpux_com
测试验证
边缘计算部署完成后，需要进行全面的测试验证：
1. 功能测试
# 测试边缘应用 $ curl -s http://:30000/health {"status":"ok"} # 测试MQTT通信 $ mosquitto_pub -h broker.hivemq.com -t edge/sensors -m '{"temperature": 25, "humidity": 60}' # 查看边缘应用日志 $ kubectl logs -f deployment/edge-app Connected to MQTT broker Received message: {"temperature": 25, "humidity": 60} Sensor data: 25°C, 60% # 测试边缘AI应用 $ python edge-ai-app.py Prediction: 3
2. 性能测试
# 测试应用响应时间 $ time curl -s http://:30000/data {"temperature":25,"humidity":60} real 0m0.012s user 0m0.004s sys 0m0.008s # 测试边缘设备资源使用 $ top -b -n 1 | head -20 # 测试网络延迟 $ ping -c 5 PING ( ) 56(84) bytes of data. 64 bytes from : icmp_seq=1 ttl=54 time=10.2 ms 64 bytes from : icmp_seq=2 ttl=54 time=10.1 ms 64 bytes from : icmp_seq=3 ttl=54 time=10.3 ms 64 bytes from : icmp_seq=4 ttl=54 time=10.2 ms 64 bytes from : icmp_seq=5 ttl=54 time=10.1 ms --- ping statistics --- 5 packets transmitted, 5 received, 0% packet loss, time 4006ms rtt min/avg/max/mdev = 10.133/10.186/10.312/0.076 ms
实战案例
以下是一个边缘计算的实战案例：
案例背景
某企业需要部署一套边缘计算系统，用于实时监控工厂设备的运行状态。该系统需要在工厂内部署边缘设备，收集设备传感器数据，进行实时分析，并将结果传输到云端。
实施方案
- 部署边缘设备：在工厂各个区域部署边缘设备
- 安装边缘操作系统：使用Ubuntu Server
- 部署K3s：轻量级Kubernetes
- 开发边缘应用：实时收集和分析传感器数据
- 部署边缘AI模型：预测设备故障
- 集成云端平台：将数据传输到云端进行长期分析
实施效果
通过边缘计算系统的部署，该企业实现了：
- 设备故障预测准确率达到95%
- 响应时间从秒级缩短到毫秒级
- 网络带宽使用减少60%
- 设备 downtime减少40%
- 运维成本降低30%
author:www.itpux.com
故障处理
边缘计算常见故障及处理方法：
1. 边缘设备故障
# 检查边缘设备状态 $ ping# 登录边缘设备 $ ssh ubuntu@ # 查看系统状态 $ uptime 10:00:00 up 10 days, 5:00, 1 user, load average: 0.10, 0.05, 0.01 # 查看系统日志 $ sudo journalctl -n 100 # 重启边缘设备 $ sudo reboot
2. 边缘应用故障
# 查看应用状态 $ kubectl get pods # 查看应用日志 $ kubectl logs# 重启应用 $ kubectl delete pod # 检查应用配置 $ kubectl describe pod
3. 网络故障
# 检查网络连接 $ ifconfig # 检查网络路由 $ route -n # 检查DNS配置 $ cat /etc/resolv.conf # 重启网络服务 $ sudo systemctl restart networking
性能调优
边缘计算性能调优的具体措施：
1. 边缘设备调优
# 优化系统参数 $ sudo nano /etc/sysctl.conf net.core.somaxconn = 4096 net.ipv4.tcp_max_syn_backlog = 4096 net.ipv4.tcp_fin_timeout = 30 # 应用系统参数 $ sudo sysctl -p # 优化系统服务 $ sudo systemctl disable bluetooth $ sudo systemctl disable avahi-daemon $ sudo systemctl disable cups # 重启系统 $ sudo reboot
2. 边缘应用调优
# 优化Docker镜像
$ cat > Dockerfile << 'EOF'
FROM node:14-alpine AS build
WORKDIR /app
COPY package*.json ./
RUN npm ci --only=production
COPY . .
FROM node:14-alpine
WORKDIR /app
COPY --from=build /app ./
EXPOSE 3000
CMD ["node", "index.js"]
EOF
# 构建优化后的镜像
$ docker build -t fgedu/edge-app:optimized .
# 优化Kubernetes配置
$ cat > deployment.yaml << 'EOF'
apiVersion: apps/v1
kind: Deployment
metadata:
name: edge-app
spec:
replicas: 1
selector:
matchLabels:
app: edge-app
template:
metadata:
labels:
app: edge-app
spec:
containers:
- name: edge-app
image: fgedu/edge-app:optimized
ports:
- containerPort: 3000
resources:
limits:
cpu: "500m"
memory: "256Mi"
requests:
cpu: "250m"
memory: "128Mi"
readinessProbe:
httpGet:
path: /health
port: 3000
initialDelaySeconds: 5
periodSeconds: 10
livenessProbe:
httpGet:
path: /health
port: 3000
initialDelaySeconds: 15
periodSeconds: 20
EOF
3. 边缘AI模型优化
# 模型量化 $ python -m tensorflow.lite.python.optimize.calibrator \ --model_path=model.tflite \ --output_path=model_quantized.tflite \ --calibration_data=data.npy # 模型裁剪 $ python -m tensorflow_model_optimization.sparsity.keras.prune_low_magnitude \ --model=model.h5 \ --output_path=model_pruned.h5 \ --target_sparsity=0.5 # 模型转换 $ tflite_convert \ --saved_model_dir=model_saved \ --output_file=model.tflite \ --optimizations=DEFAULT
经验总结
通过边缘计算实践，我们总结了以下经验：
- 边缘计算是物联网和AI应用的重要基础设施
- 选择合适的边缘设备和平台是成功的关键
- 优化边缘应用和模型可以提高性能和降低资源使用
- 边缘安全是不可忽视的重要环节
- 边缘计算与云计算的结合可以发挥各自的优势
- 持续监控和维护边缘设备是确保系统稳定运行的必要措施
学习建议
对于想要学习边缘计算的人员，我们风哥建议：
- 掌握网络基础知识和IoT技术
- 学习边缘计算的基本概念和架构
- 熟悉边缘设备的选型和部署
- 学习边缘应用和AI模型的开发
- 了解边缘计算平台和工具
- 通过实际项目积累经验
未来趋势
边缘计算的未来发展趋势包括：
- 边缘AI：在边缘设备上运行更复杂的AI模型
- 5G边缘计算：利用5G网络的低延迟特性
- 边缘联邦学习：保护数据隐私的分布式学习
- 边缘自动化：自动化边缘设备的管理和维护
- 边缘安全：增强边缘设备和数据的安全性
- 边缘即服务：提供边缘计算的云服务
本文由风哥教程整理发布,仅用于学习测试使用,转载注明出处:http://www.fgedu.net.cn/10327.html
